基于改进经验模态分解与BiLSTM 神经网络的低矮房屋脉动风.docxVIP

基于改进经验模态分解与BiLSTM神经网络的低矮房屋脉动风压时程预测

摘要：为解决风压测量中传感器数据间歇性缺失问题，提出基于改进经验模态分解算法（IEMD）和双向长短期记忆网络（BiLSTM）的结构表面风压时程预测方法.首先，采用基于软筛分停止准则的改进经验模态分解方法，将风压时程自适应地分解为多个固有模态函数，并通过样本熵对其进行重构获得子序列；其次，针对各子序列完成双向长短期记忆网络的构建、训练及预测，并利用贝叶斯优化（BO）算法对神经网络超参数进行优化；最后，基于低矮房屋风洞测压试验数据进行了风荷载预测，验证了学习模型的有效性.研究表明，与传统预测模型（多层感知器、BiLSTM）相比，基于改进经验模态分解与BiLSTM神经网络的预测模型具有较高的预测精度和计算效率，适用于高斯与非高斯风压信号预测.

关键词：低矮房屋；风荷载；深度学习；双向LSTM；改进经验模态分解；贝叶斯优化；时程预测

中图分类号：TU352.2文献标志码：A

低矮房屋受特征湍流影响显著的区域，其表面风压会表现出明显的非高斯特性，易诱发围护结构风致破坏［1］.设计风荷载的准确估计可通过现场实测或风洞测压试验实现，但在信号采集过程中，传感器数据间歇性缺失可能导致风荷载取值不准确.近年来，众多学者采用机器学习方法从有限风压时程数据中提取出特征信息，建立了测压信号预测模型，弥补测量时因各种原因而缺失的时程数据，对于低矮房屋抗风设计具有重要的工程意义［2-4］.

机器学习通过一些算法训练提取数据特征并建立模型，使之具备一定的判断和预测能力，该方法在风工程领域得到越来越广泛的应用.常用的算法有神经网络（NNs）、随机森林（RF）和支持向量机（SVM）等.基于机器学习的风压场和气动响应模型，可实现风荷载与风效应宏观指标的预测，如风速［5］、结构表面风压分布［6-10］、整体体型系数［11］和风力系数［12-13］等.然而，相较于风压分布预测，结构的风压及响应时程预测通常因时程的非平稳特性而具有较大难度，相关研究较少.

相较于传统机器学习方法，深度学习方法具有更优异的特征识别和表达能力，在处理大量、复杂的数据时具有显著优势.因此，部分学者尝试将深度学习应用于脉动风压、脉动流场和非定常气动力的时间序列预测中.Huang等［14］分别使用深度神经网络（DNN）和支持向量机对超高层建筑表面非高斯风压时程进行了预测分析，并利用粒子群优化算法（PSO）来选择和优化模型参数，经对比发现PSODNN的预测性能具有一定优势.陈伏彬等［15］结合反向传播神经网络（BPNN）与本征正交分解（POD）方法，准确预测了大跨度平屋盖模型测点的脉动风压时程.长短期记忆网络（LSTM）与其变体双向长短期记忆网络（bidirectionalLSTM，BiLSTM）具有更强大的非线性建模能力和泛化能力，逐渐受到诸多学者的青睐；Li等［16］通过LSTM网络构建了风-桥相互作用的降阶模型，准确预测了桥梁结构的非线性非定常气动力；Lim等［17］结合LSTM与时移数据校正方法构建了预测模型，成功预测了台风作用下桥梁周围的短期风速；武频等［18］结合LSTM和自编码器构建了降阶模型，对二维圆柱绕流流场进行特征提取和预测，得到了比传统模态分解法精度更高的结果；Li等［19］分别将支持向量回归、随机森林、反向传播神经网络、LSTM和LSTM-SVR这5种机器学习模型应用于低矮房屋表面非高斯脉动风压时程的预测，其中LSTM和LSTM-SVR深度学习模型具有最优的预测精度.

原始样本数据的非平稳和噪声将直接影响深度学习模型的泛化性能，也是限制该类模型的实际应用的重要因素［20］.已有学者将信号分解技术与深度学习相结合，通过识别时序数据的内在特征，进一步改善模型的实际性能，并形成“分解―预测―重构”的主流方案.Li等［21］将变分模态分解、粒子群优化算法与BiLSTM相结合，完成了台风风速时程的短期预测，由于原始时间序列经变分模态分解后非平稳特性大幅降低，模型的精度有显著提高；Lü等［22］利用改进集成经验模态分解提高了LSTM模型预测性能，并使用多目标蚁狮优化方法进行训练，使模型在非平稳风速预测上达到更好的效果；Jaseena和Ko?voor［23］提出了基于经验小波变换的BiLSTM预测模型，实现了实测场地风速时程预测，该方法相比于未进行数据分解的BiLSTM预测方法，能够显著提高风速时序的预测精度.

目前，针对低矮房屋风压时程的预测研究较少，结构表面风压呈现出的强烈非高斯随机特性将导致较大的预测误差.另外，预测模型的最优超参数一般通过在训练数据集中进行交叉验证获得，而深度学习网络具有超参数选择困难、学习效率低的问题［24］.因此，本文将改进经验模态分解技术（IEMD）与BiL?STM结合，通过对数